科研Labs › 诊断试验 Meta（SROC）
诊断试验 Meta 分析（SROC）
⚗️ 前沿方法：本工具用 DerSimonian-Laird 合并灵敏度/特异度 + Moses-Littenberg SROC（闭式经典法）。金标准的双变量随机效应模型（Reitsma）/HSROC 需迭代拟合，建议用 R 包
mada/metandi 复核。汇总多项诊断准确性研究：合并灵敏度与特异度（随机效应）、诊断比值比 DOR，并绘制 SROC 曲线展示阈值效应。每项研究输入四格计数即可。浏览器本地计算，数据不上传。
① 各研究四格计数
每行一项研究，四列依次为 TP（真阳）FP（假阳）FN（假阴）TN（真阴）。至少 3 项。
使用说明与方法学
诊断 Meta 为什么不能直接合并 AUC？
诊断研究里灵敏度与特异度因阈值不同而负相关（阈值效应），单独合并会有偏。应同时建模二者，用 SROC 曲线展示，或用双变量随机效应模型。本工具给随机效应合并点 + SROC 曲线。
SROC 曲线怎么看？
它在『1−特异度 vs 灵敏度』空间里刻画不同阈值下的准确性轨迹，越靠左上越好。各研究点围绕曲线分布；曲线越贴近左上角、合并工作点越靠左上，说明整体诊断性能越好。
I² 高说明什么？
I² 反映研究间异质性。诊断 Meta 异质性常见（人群、阈值、参考标准不同）。I² 高时应谨慎解读合并值，并考虑亚组或 meta 回归（需更专业模型）。
和金标准模型差别大吗？
Moses-Littenberg 是经典闭式法，直观、易算，但在研究少或阈值效应强时不如双变量/HSROC 稳健。重要结论建议用 R 的 mada/metandi 复核，本工具适合快速概览。